本研究探讨了联邦学习中的回归任务属性推断攻击，提出了一种模型驱动的攻击方法，显著提高了重构准确性，为评估隐私泄露提供了有效工具。

本研究提出RankUp方法，将回归任务转化为排序问题，以提升半监督学习的性能。通过引入回归分布对齐技术来优化伪标签，RankUp在多个基准测试中表现出色。

本研究提出了一种新的方法——扩展可解释的集成树（E2Tree），解决了现有集成方法在透明性方面的不足，显著提升回归任务中的模型解释能力。

科学机器学习是一种通过深度学习技术分析数据的工具。研究者介绍了一个软件框架，用于解决科学机器学习训练问题，提高回归任务中的泛化误差。他们发现信任域方法可以显著提高回归任务中的泛化误差。

本文介绍了一种新颖的基于排列的训练方法，证明了它可以引导ReLU网络逼近一维连续函数，并在各种初始化情况下高效完成回归任务。排列训练为描述网络学习行为提供了创新工具。

本文介绍了一种基于VRCP框架的新方法，用于恢复在对抗攻击时的预测覆盖率保证，并支持任意范数的扰动和回归任务。实验结果表明，该方法在图像分类和强化学习环境的回归任务中表现出超过标称覆盖率的结果，并且比目前最先进的方法更高效且信息量更丰富。

IgBert和IgT5是抗体特异性语言模型，在抗体工程和回归任务上表现优异，是抗体治疗方法设计的重要进展。

本教程介绍了将文本数据纳入精算分类和回归任务的工作流程，重点介绍了使用基于 transformer 模型的方法。通过对一组包含 400 个单词的汽车事故的描述和一组短期财产保险索赔描述的数据集进行演示，探讨了多语言环境和长输入序列等挑战性问题，同时展示了解释模型输出、评估和改进模型性能的方法，通过在应用领域或特定预测任务上对模型进行微调，提供了实现分类任务处理的实用方法。使用仅经过最少预处理和微调的现成自然语言处理 (NLP) 模型的语言理解技巧所实现的结果，充分展示了迁移学习在实际应用中的威力。

本文提出了一种使用分布式神经计算算法克服维度灾难的理论方法。通过模块化分布式深度学习范式，可以在只加载少量参数到GPU VRAM的情况下实现任意精度。实验证明，该模型在回归和分类任务中表现出更好的性能。

研究将6D姿态估计问题转化为回归任务，利用Vision Transformers进行探索，并引入了确定姿态置信度的简单方法。方法PViT-6D在Linemod-Occlusion和YCB-V数据集上表现优于最先进方法，提高了可解释性和推理性能的可靠性。

本文介绍了使用 transformer 模型将文本数据纳入精算分类和回归任务的工作流程，探讨了多语言环境和长输入序列等挑战性问题，并提供了解释模型输出、评估和改进模型性能的方法。通过微调自然语言处理模型，实现了分类任务处理的实用方法，展示了迁移学习在实际应用中的威力。

本文介绍了机器学习回归任务在材料科学和化学科学中的应用，重点强调了一致性和适应性的重要性，并提出了一种验证方法。通过一个例子进行了验证。

本研究提出了一种新颖的方案，通过构建神经网络参数的低维子空间来解决贝叶斯深度学习中的计算复杂性限制。该方案通过Monte Carlo采样方法或变分推断实现了可行和可扩展的贝叶斯推断，为回归任务提供了可靠的预测和不确定性估计。